0 引言

无论是在军事领域还是民用领域,UAV也都得到了广泛应用[1-8]。为了保证UAV的运行安全,UAV需要通过自身携带的机载传感器对周围的飞行环境和其他飞行器的运动状态进行实时感知和判断,并作出合理的机动进行避障。

近年来,针对UAV的自主避障问题,国内外许多学者进行了相关研究,这些方法包括势场法[9],导引法[10-11],微分几何法,随机搜索算法和速度障碍法[12]等等。文献[9]通过改进的人工势场法避免了传统人工势场法易陷入局部陷阱的问题,实现了多机动态航路规划,文献[10]通过确定UAV和障碍物之间的相对位置和相对速度关系确定最优避障速度向量,并将相对速度导引至避障向量上实现避障,文献[12]通过建立速度障碍锥,并将UAV速度偏转出速度障碍锥完成实时避障,但是上述算法都没有考虑碰撞发生时间,因此在速度障碍法基础上,文中提出了一种基于有限时间速度障碍法的避障方法。

《乡愁》共88个字，全诗以“乡愁”为题，应用了“乡愁是X”这一固定句式并分成字数相等的4个小节对乡愁进行了阐释，如原文所示：

虽然学生使用移动设备进行英语移动学习可以提高学生学习效率，方便学生英语学习。但在学习过程中，学生缺少老师监督，往往会被游戏与聊天等娱乐性功能所吸引，而忘记主要目的——英语学习。此时，老师的适时监督与检查就成为学生在移动学习中的关键因素，通过老师的监督与检查，学生会逐步养成自主学习的习惯。如学习平台上，老师：“同学们，今天大家英语学习的怎么样了，有没有什么问题要问我的？有没有同学要读一下课文，大家可以积极交流，老师在线上为大家把关，大家抓紧时间啊。”通过这样的方式，不仅提升了学习成绩，也为学生养成了良好的学习习惯，让学生在网络世界中做出明智的选择，正确使用网络设备进行移动学习。

1 UAV运动学模型的建立

在进行碰障判断和冲突消解时,通常将UAV和障碍物简化为具有一定安全半径的圆,通过扩大障碍物的安全半径,UAV可相应地简化为一个质点,假设内环控制器能很好地保持UAV的飞行姿态且通过控制油门保持UAV匀速飞行,因此这里仅考虑UAV的外环避障导引控制。二维平面内UAV的运动学模型如下:

(1)

相对垂直距离dv定义为UAV与障碍物之间的相对位置向量到相对速度的垂直距离,如图5所示。

(2)

式中ΔT为仿真步长。动态障碍物的运动学模型可同理得到。由于UAV的运行环境是实时变化的,因此UAV需要通过自身携带的机载传感器对周围的飞行环境进行实时感知和判断,UAV的实时避障工作原理图如图1所示。

供给侧改革的过程中，最为重要的一个环节就是国家宏观调控作用发挥的十分显著。在之前的发展中对于很多卖不掉的东西采取的策略是用政策方式刺激它，比如家电卖不出去，就有家电补贴政策，但是这种刺激消费的政策，会导致某个产业产能过剩，不适合长时间发展[3]。

图1 UAV避障工作原理框图

2 速度障碍法的原理

修复重复三元组不一致性，用R代表（s，p，o）[start，end]）是一条时态RDF数据记录，Ri表示第i条记录，Ri+1就是下一条记录。首先在时态RDF数据库中的记录中匹配（s，p，o）三元组，找到三元组完全一样的时态RDF数据记录，通过比较两个时间区间的起始时间点和结束时间点，计算出修改时间区间，对一条记录的两个时间点进行修改，再删除另外一条记录。

如图2所示,障碍锥可由相对障碍锥顶点坐标pu,开口方向q,夹角大小γ三个参数进行表示。

(3)

式中：rs为安全半径；DUO为UAV与障碍物之间的欧式距离。需要说明的是,碰撞锥的夹角大小应小于当时,说明UAV位于障碍物的安全圆边界上,当说明UAV已侵入障碍物的安全范围之内,碰撞锥无定义。

t≥ts|pu-po+(v-vo)t|<rs}

图2 基于相对速度和相对位置的UAV避障示意图

图3 速度障碍法(VO)示意图

对于飞行器U,由障碍物O诱发形成的速度障碍锥VOU|O可定义为：

VOU|O={v∃t>0,pu+(v-vO)t∈⊙(pO,rs)}

(4)

式中:pu为UAV的位置坐标;v为UAV的任一速度矢量;po、vo分别为障碍物的位置坐标和速度矢量,⊙(po,rs)表示以po为圆心,rs为半径的圆域。

然而，也有其他的影像学以及临床研究得出不一定的结论。在Kim等［17］的研究中共纳入了523名急性脑卒中患者，研究进行了糖尿病相关指标的检测以及颅脑MRI检查，研究没有发现糖尿病明显增加颅内小血管病变的危险性，仅增加了大血管病变的发生率，研究推测糖尿病与LA可能没有直接的相关性。Weinger等［18］应用颅脑 MRI评价脑白质的病变程度，研究结果未能提示1型糖尿病患者与LA的发生有明确相关性的证据，推测1型糖尿病患者与T2DM患者在参与LA形成的病理生理机制上可能有所不同。

3 速度障碍法的改进

通过前文的描述,速度障碍法将所有会导致碰撞的速度都排除在外,即使要经过很长一段时间,碰撞才会发生,这就造成了UAV可选避障速度向量范围的减小,甚至是避障失败。为了克服这一问题,文中在此基础上考虑碰撞发生时间,假设飞行器以某一速度运行,该速度位于速度障碍锥内,飞行器与障碍物之间存在碰撞危险,但是要经过很长一段时间,碰撞才会发生,在这种情况下,为了避免不必要的机动,仍然可以将该速度作为避障速度,为此提出有限时间速度障碍锥(finite time velocity obstacle,FVO)避障方法。

图4 有限时间速度障碍法示意图

通过前文的描述可知,尽管通过有限时间速度障碍法,UAV的可选避障速度向量范围变大了,但是上述方法仍将速度范围简单的化为碰撞速度(collision velocity)和无碰区域(collision-free velocity),为了选择最优避障速度矢量,本节通过设立一系列评价指标来对UAV的待选避障速度矢量进行评价,从而确定最优避障速度矢量。通过选择期望速度,UAV与障碍物之间的相对垂直距离,经过障碍物的时间三个变量作为评价指标来确定UAV的最优避障速度[13]。

方法:各组试验犬试验前,在犬耳部采样进行活菌计数,采样后将宠物源耐甲氧西林伪中间型葡萄球菌(MRSP)制成菌液涂于脱毛后比格犬耳部。每一采样面积上含菌量为105～106 CFU。晾干后,先采对照样品,然后各试验组进行消毒,5 min 后在对照的邻近部位采样,做活菌计数,并计算杀灭率。

FVOU|O={v∃t>0且

但是通常情况下都希望通过UAV速度矢量来进行碰撞判断,并进行相应的机动实现避障,为此Fiorini和Shiller[12]在20世纪90年代提出速度障碍法(velocity obstacle,VO),作为一种一阶避障方法,在进行避障时,该方法将障碍物的位置和速度同时考虑在内,比较好地解决了动态环境下UAV的避障问题。如图3所示,将相对障碍锥移动矢量vo,即可得到绝对速度障碍锥(阴影部分),如果UAV的速度矢量vu落于速度障碍锥内,说明经过一段时间之后,UAV与障碍物之间会发生碰撞,通过将UAV的速度矢量偏转出速度障碍锥,即可实现避障。

(5)

式中：ts为最小允许碰撞发生时间,即飞行器以速度v运行,至少经过ts才会发生碰撞,在此之前,飞行器可以保持当前速度继续运行,这样就为飞行器提供了更大范围的可选避障速度向量范围。

老陆变化太大了。看上去比你还要老（我老吗？），头发都掉光了，秃脑门儿。上学那会，也算是个帅哥，现在整个一老头模样，简直不敢认了。你知道他是做什么的吗，教育局当处长，你知道他开的什么牌子的车，奥迪Q 5，我操，六七十万吧！

4 基于FVO的最优避障速度选取

如上图所示,对于飞行器U,由障碍物O诱发形成的有限时间速度障碍锥(阴影部分)可定义为:

4.1 期望速度vd的评价函数

如图5所示,假设UAV的目标点位置已知,那么UAV的期望速度vd的方向为UAV当前位置指向目标点的方向,期望速度的评价函数可表示为：

f1=kv|vd-v|

(6)

式中v为待选的避障速度矢量。

4.2 经过时间tp和相对垂直距离dv的评价函数

式中:X=[x,y,vu,σu]T,x和y、vu、σu分别为UAV在二维平面内的坐标、速率和方向角;u为UAV的控制输入。在实际仿真应用中,通常将UAV的连续运动学模型进行离散化,UAV的离散状态方程为：

图5 期望速度、经过时间和相对垂直距离示意图

从式(19)可以看出,tp有可能是负的,当tp为负值时,说明UAV已经经过了障碍物。同样的,tp越大,说明障碍物的危险程度越低,因此关于经过时间tp的评价函数可定义为:

vrel=vo-vu

(7)

dv越小,意味着障碍物的危险程度越高,因此关于相对垂直距离dv的评价函数可定义为：

(8)

经过时间tp可定义为UAV与障碍物之间距离最小的时间,如果UAV与障碍物之间会发生碰撞,那么经过时间就变为碰撞时间,tp可由下式得到：

如图2所示,根据UAV和障碍物之间的相对位置和相对速度关系,如果相对速度位于相对障碍锥内(图中阴影部分),那么经过一段时间之后,UAV与障碍物之间就可能发生碰撞,为了进行避障,需要将相对速度偏转出障碍锥。

(9)

由图5可知:

(10)

但是当相对垂直距离足够大时,即使经过时间较小,对UAV来说,障碍物的危险程度也是较小的。同样的,当经过时间足够大时,即使相对垂直距离较小,对UAV来说,障碍物的危险程度也是较小的,因此为了对障碍物的危险程度进行更加客观的评价,应该同时考虑UAV与障碍物之间的相对垂直距离和经过时间。修正后的评价函数可定义为：

为引导学生进行更加积极有效的讨论，课程论坛分为精彩内容分享、章节讨论、在线客服三大公共版块和各班自由讨论区这一班内版块。其中，“精彩内容分享”这一版块主要汇聚了学习者的精彩讨论内容，供学习者在学习中参考，从而达到知识共享、转化和生成的目的；“章节讨论”版块要求师生讨论具体的章节内容或者某一知识点，缩小讨论范围，让细节更加立体，讨论更有针对性，也更为有效；“在线客服”则主要是平台技术人员对学习者在学习中遇到的系统问题和对课程平台的建议进行及时解答回复。

(11)

式中k=k1k2。

最终,总的评价函数可定义为：

F(v)=f1+f2

(12)

f1和f2的权重可以通过选择适当的系数来进行调整。kv越大,说明UAV越倾向于趋近目标,同样的,k越大,说明UAV越优先进行避障。

在UAV运行过程中,可将UAV的运行状态分为避障机动,匀速保持和执行任务三个状态,UAV的三个运行状态之间的转换示意图如图6所示。

图6 UAV运行状态转换示意图

5 仿真验证与分析

假设UAV在二维平面内运行,UAV和障碍物的初始条件如表1所示。

表1 UAV与障碍物初始条件

初始位置(x,y)/m速度大小|v|/(m/s)初始速度方向角σ/radUAV(20,20)1-3π/4障碍物1(0,20)1-π/4障碍物2(29,-29)1π/4障碍物3(-20,-20)13π/4

UAV与障碍物均假设为安全半径为r=1.5 m的圆,最大允许碰撞时间为ts=5 s,仿真步长ΔT=0.1 s,UAV的目标点坐标为(-10 m,-10 m)。

根据有限时间速度障碍法进行判断可知,如果UAV保持当前运动状态,那么经过一段时间之后,UAV与障碍物之间有可能会发生碰撞,为此需要采取一定的机动措施进行避障。在仿真过程中,根据最优避障速度矢量选取原则,实时确定UAV的最优避障速度矢量方向,并在UAV的最大加速度约束范围内将UAV的速度矢量尽快导引至最优避障速度矢量上,从而完成避障。基于有限时间速度障碍法的避障过程示意图如图7～图10所示。

图7 UAV和障碍物初始状态示意图

图8 UAV躲避障碍物1示意图

图9 UAV躲避障碍物3示意图

图10 UAV躲避障碍物2示意图

图11 UAV与各障碍物之间相对距离曲线

通过图11可以看出,在UAV运行过程中,UAV与障碍物之间的相对距离总是大于最小安全半径,说明了文中提出的避障方案能够保证UAV运行过程的顺利避障和运行安全。

6 结束语

针对复杂动态环境下UAV的多障碍物避障问题,文中在速度障碍法的基础上,将碰撞发生时间考虑在内,提出了有限时间速度障碍法,通过设计一系列指标函数,在UAV运行过程中,实时确定UAV的最优避障向量,仿真结果验证了所提出的避障方法的可靠性和有效性。文中提出的避障方法具有良好的适应性,可为UAV的现实避障应用中提供一定的理论依据和借鉴意义。

在朱熹学术中，石刻文献发挥了重要的作用，这不是简单的“证经考史”四字就可以概括的。比“证经考史”更为重要的，是朱熹对韩愈文集的校理以及在这一过程中对石刻文献的特殊理解及运用。

参考文献:

[1] 李德仁, 李明. 无人机遥感系统的研究进展与应用前景 [J]. 武汉大学学报(信息科学版), 2014, 39(5): 505-513.

[2] 朱华勇, 牛轶峰, 沈林成, 等. 无人机系统自主控制技术研究现状与发展趋势 [J]. 国防科技大学学报, 2010, 32(3): 115-120.

[3] 李磊, 熊涛, 胡湘阳, 等. 浅论无人机应用领域及前景 [J]. 地理空间信息, 2010, 8(5): 7-9.

[4] 洪运富, 杨海军, 李营, 等. 水源地污染源无人机遥感监测 [J]. 中国环境监测, 2015, 31(5): 163-166.

[5] 李冰, 刘镕源, 刘素红, 等. 基于低空无人机遥感的冬小麦覆盖度变化监测 [J]. 农业工程学报, 2012, 28(13): 160-165.

[6] 彭孝东, 张铁民, 李继宇, 等. 基于目视遥控的无人机直线飞行与航线作业试验 [J]. 农业机械学报, 2014, 45(11): 258-263.

[7] 郑维刚. 基于无人机红外影像技术的配电网巡检系统研究 [D]. 沈阳: 沈阳农业大学, 2014.

[8] 赵翔. 基于无人机航摄DOM生成技术的研究与应用 [D]. 抚州: 东华理工大学, 2015.

[9] 张兆宁, 赵召娜. 基于改进人工势场法的多机动态改航路径规划 [J]. 武汉理工大学学报, 2015, 37(2): 44-49.

[10] 刘小伟, 杨秀霞. 基于比例导引律的无人机避障研究 [J]. 计算机仿真, 2015, 32(1): 34-39.

[11] HAN S C, BANG H. Proportional navigation-based optimal collision avoidance for uavs [J]. Journal of Institute of Control, Robotics and Systems, 2004,10(11):1065-1070.

[12] FIORINI Paolo. SHILLER Zvi. Motion Planning in dynamic environments using velocity obstacles [J]. International Journal of Robotics Research, 1998, 17(7): 760-772.

[13] KIM Mingeuk, Jun-ho. Study on optimal velocity selection using velocity obstacle (OVVO) in dynamic and crowded environment [J]. Autonomous Robots, 2016, 40(8): 1459-1470.